苗立志，白瑞思蒙，刘成良，翟月昊

（1.南京邮电大学 地理与生物信息学院，南京 210023；2.南京邮电大学江苏省智慧健康大数据分析与位置服务工程实验室，南京 210023；3.南京邮电大学 通信与信息工程学院，南京 210003）

0 概述

随着常见疾病的攻克和人均寿命的提高，癌症逐渐成为威胁人类健康的主要因素。国际癌症研究机构的分析报告显示，2018 年全球癌症新增病例1 810 万例，死亡病例960 万人［1］。传统医疗主要基于癌症病理类型、患者既往病史等对患者的生存时间进行评估和预测，机器学习技术的发展［2］，使其能作为辅助手段被引入到癌症诊断［3］和生存预测［4］中。目前，癌症诊断和治疗技术已能有效降低患者的死亡率、延长患者的存活时间［5］。由于癌症确诊后患者在5 年内幸存人数将累计达到4 380 万，因此在收集到的现有数据集中，存活患者数量将远大于非存活患者数量。癌症患者原始数据集通常是非平衡的，且传统算法在对非平衡数据集预测分析时，分类器为确保算法模型整体性能，部分少数类样本会被误判［6］。但在实际分类中，少数类样本会携带更多的信息量且更重要，误判代价非常昂贵，所以面向非平衡数据的处理逐渐成为机器学习应用研究的重要组成部分［7-8］。

当前对非平衡数据问题主要从数据和算法［9］2 个层面进行研究。在算法层面，通常在不改变原始数据样本的基础上寻找特定的算法以适用于非平衡数据集，如集成算法［10］和代价敏感算法［11］等。MAHDIYAH 等［12］提出改进的极限学习机（Extreme Learning Machine，ELM）算法，通过集成数据克服数据非平衡问题，可有效改进非平衡数据分类效果。……